相关实验视频
Updated: Jul 23, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
一种深度学习方法,用于使用多分支CNN和注意力来预测抗菌类对大肠杆菌的最小抑制度
Jielu Yan1, Bob Zhang1, Mingliang Zhou2
1PAMI Research Group, Department of Computer and Information Science, University of Macau , Taipa, Macau, China.
mSystems
|July 11, 2023
概括
抗微生物 (AMP) 提供了一种新方法来打击抗生素耐药性. 我们开发了一种深度学习模型MBC-Attention,以快速预测AMP对大肠杆菌的有效性,改进了传统方法.
科学领域:
- 计算生物学是一种计算生物学.
- 药物发现 药物发现
- 机器学习在医学中的应用
背景情况:
- 抗微生物 (AMP) 在对抗抗生素耐药细菌方面至关重要.
- 开发强有力的和特定的AMP需要有效的评估工具.
- 目前用于评估AMP活动的湿实验室方法耗时且劳动密集.
研究的目的:
- 开发一种深度学习模型,MBC-Attention,用于预测AMP对大肠杆菌的最小抑制度 (MIC).
- 加速新型AMP的发现和开发过程.
- 提供一款超越现有机器学习模型在预测AMP有效性方面的计算工具.
主要方法:
- 采用了多分支卷积神经网络架构与注意力机制 (全球和本地) 相结合.
- 该模型,MBC-Attention,经过训练,可以回归AMP对大肠杆菌的实验MIC值.
- 使用皮尔森相关系数 (PCC) 和根平均平方误差 (RMSE) 在独立测试集上评估性能.
主要成果:
- 最优的MBC-Attention模型实现了0.775的PCC和0.533的RMSE (日志μM).
- 与其他19个机器学习模型相比,这代表了PCC的5-12%的改进和RMSE的6-13%的改进.
- 废弃性研究证实了全球和本地注意力机制对模型性能的重大贡献.
结论:
- MBC-Attention为预测AMP抗菌活性提供了一种高度准确和高效的方法.
- 这种深度学习方法显著加快了AMP的评估,有助于打击细菌耐药性.
- 开发的模型,代码和数据在GitHub上公开提供,以促进进一步的研究.
